Digital Twins in der Praxis

Digital Twins werden bereits in verschiedenen Bereichen der Praxis eingesetzt, um verschiedene Aspekte zu simulieren und zu optimieren. Einige der Anwendungen von Digital Twins sind die folgenden fünf:

Manufacturing: In der Fertigungsindustrie werden Digital Twins eingesetzt, um die Produktion zu simulieren und zu optimieren. Dies kann die Planung von Produktionsprozessen, die Optimierung von Fertigungsstraßen und die Vorhersage von Wartungsbedarf beinhalten.

Smart Cities: In Städten können Digital Twins verwendet werden, um den Verkehr zu optimieren, den Energieverbrauch zu reduzieren und die öffentliche Sicherheit zu verbessern. Digitale Modelle der Stadt können verwendet werden, um die Auswirkungen von Änderungen in der Stadtinfrastruktur zu simulieren und zu optimieren.

Healthcare: In der Gesundheitsbranche können Digital Twins verwendet werden, um Patientenmodelle zu erstellen und die Behandlung zu simulieren. Dies kann die Vorhersage von Behandlungsergebnissen, die Identifizierung von Krankheiten und die Optimierung von medizinischen Geräten umfassen.

Aerospace: In der Luft- und Raumfahrtindustrie können Digital Twins verwendet werden, um Flugzeuge und Raketen zu simulieren und zu optimieren. Dies kann die Verbesserung der Flugleistung, die Reduzierung von Wartungskosten und die Vorhersage von Ausfallzeiten beinhalten.

Energy: In der Energieindustrie können Digital Twins eingesetzt werden, um Energieproduktion und -verbrauch zu simulieren und zu optimieren. Dies kann die Optimierung von Energieerzeugungsprozessen, die Vorhersage von Energieverbrauchsmustern und die Identifizierung von Einsparungsmöglichkeiten umfassen.

Diese Anwendungen zeigen, wie leistungsfähig diese Technologie in verschiedenen Branchen sein kann und wie sie dazu beitragen kann, Prozesse und Ergebnisse zu optimieren.

Funktionsweise der digitalen Zwillinge

Wie funktioniert ein digitaler Zwilling eigentlich? Auf ihrer Website erklärt IBM das sehr schön. Ein digitaler Zwilling ist ein virtuelles Modell, das ein physisches Objekt präzise widerspiegeln soll. Das untersuchte Objekt – zum Beispiel eine Windkraftanlage – ist mit verschiedenen Sensoren ausgestattet, die sich auf wichtige Funktionsbereiche beziehen. Diese Sensoren liefern Daten über verschiedene Leistungsaspekte des physischen Objekts wie Energieabgabe, Temperatur, Wetterbedingungen und vieles mehr. Diese Daten werden anschließend an ein Verarbeitungssystem weitergeleitet und auf die digitale Kopie übertragen. 

Sobald das virtuelle Modell mit diesen Daten gefüttert worden ist, kann es eingesetzt werden, um Simulationen durchzuführen, Leistungsprobleme zu untersuchen und Optimierungsmöglichkeiten zur Gewinnung wichtiger Erkenntnisse zu generieren. Diese können daraufhin wiederum für das ursprüngliche physische Objekt verwendet werden.

Der Unterschied

Viele Menschen fragen sich: wo liegt eigentlich der Unterschied von Digital Twins im Vergleich zu Simulationen? Zwar werden sowohl bei Simulationen als auch bei digitalen Zwillingen digitale Modelle eingesetzt, um verschiedene Prozesse eines Systems zu replizieren, bei einem digitalen Zwilling handelt es sich jedoch um eine digitale Umgebung, die für Studienzwecke wesentlich umfangreichere Informationen liefert. Der Unterschied zwischen digitalem Zwilling und Simulation bezieht sich hauptsächlich auf den Leistungsumfang: Während eine Simulation in der Regel einen normalen Prozess untersucht, kann ein digitaler Zwilling selbst eine beliebige Anzahl von Simulationen durchführen und dabei mehrere Prozesse untersuchen.

Aber das ist noch nicht alles. Echtzeitdaten sind für Simulationen in der Regel nicht von Vorteil. Digitale Zwillinge sind jedoch auf einen bidirektionalen Informationsfluss ausgerichtet. Dieser beginnt, wenn Objektsensoren relevante Daten an den Systemprozessor liefern und wiederholt sich, sobald die vom Prozessor gewonnenen Erkenntnisse an das ursprüngliche Quellobjekt zurückgegeben werden.

Durch bessere und laufend aktualisierte Daten über eine Vielzahl von Bereichen sowie zusätzliche Rechenleistung, die mit einer virtuellen Umgebung einhergeht, sind digitale Zwillinge in der Lage, viel mehr Probleme aus weitaus mehr Blickwinkeln zu untersuchen als Standardsimulationen es vermögen. Zudem ist das Potenzial zur Verbesserung von Produkten und Prozessen deutlich höher.

Vier Arten von digitalen Zwillingen

Abhängig vom Umfang der Detaillierung gibt es laut IBM vier verschiedene Arten von digitalen Zwillingen. Der größte Unterschied zwischen diesen Zwillingen liegt im Bereich der Anwendung. Es ist üblich, dass verschiedene Arten von digitalen Zwillingen innerhalb eines Systems oder Prozesses gleichzeitig eingesetzt werden. Sehen wir uns die verschiedenen Arten von digitalen Zwillingen sowie ihre Unterschiede und Anwendungsbereiche genauer an.

1. Komponentenzwillinge/Teilzwillinge
Komponentenzwillinge bilden die Grundeinheit eines digitalen Zwillings, dem kleinsten Beispiel für eine Funktionskomponente. Teilzwillinge sind ähnlich strukturiert, beziehen sich aber auf weniger bedeutende Komponenten.

2. Asset-Zwillinge
Wenn zwei oder mehr Komponenten zusammenarbeiten, bilden sie ein sogenanntes Asset. Mit Asset-Zwillingen lässt sich die Interaktion dieser Komponenten untersuchen und eine große Menge von Leistungsdaten erstellen, die verarbeitet und in verwertbare Erkenntnisse umgewandelt werden können.

3. System- oder Unit-Zwillinge
Die nächste Vergrößerungsstufe bezieht sich auf System- oder Unit-Zwillinge, mit denen verfolgt werden kann, wie verschiedene Assets ein funktionierendes Gesamtsystem bilden. System-Zwillinge spiegeln die Interaktionen von Assets transparent wider und können Vorschläge zur Leistungsverbesserung machen.

4. Prozess-Zwillinge
Prozess-Zwillinge, die Makroebene der Detaillierung, decken auf, wie Systeme zusammenarbeiten, um eine vollständige Produktionsanlage zu schaffen. Sind diese Systeme synchronisiert und arbeiten mit maximaler Effizienz oder haben Verzögerungen im System Auswirkungen auf andere Systeme? Prozess-Zwillinge können dabei helfen, exakte Zeitpläne zu bestimmen, die letztendlich die Gesamteffektivität beeinflussen

Beispiel Medizintechnik
Da Medizinprodukte immer komplexer und kundenspezifische Produkte immer häufiger werden, ist es schwierig, mit den gesetzlichen Normen und den schnellen Veränderungen auf dem Markt Schritt zu halten. Die erfolgreiche Bewältigung dieser Herausforderungen erfordert einen neuen Fokus auf Operational Excellence durch die Simulation von Szenarien im Voraus. Siemens Production Twin als Beispiel dabei eine wichtige Rolle spielen, indem es Engineering und Betrieb miteinander verbindet und ein digitales Abbild des Fertigungsprozesses erstellt.

Simulation über alle Fertigungsebenen

Ein digitaler Zwilling bietet Medizinprodukteherstellern die Möglichkeit, Fabrik-, Anlagen- und Liniensimulationen sowie Prozess-/Arbeitsplatzsimulationen durchzuführen. Unternehmen können alle Aspekte ihrer Fertigungsabläufe digital modellieren, um die Effizienz in einer virtuellen 3D-Umgebung zu optimieren.

Optimierung durch Prozesssimulation

Ohne Echtzeitinformationen ist es schwierig, Produktionsprobleme zu erkennen. Der Production Digital Twin bietet Echtzeit-Visualisierung, maschinelles Lernen und Was-wäre-wenn-Szenarien, um kontinuierliche Produktions- und Kostenverbesserungen in einem geschlossenen Kreislauf zu ermöglichen. Die Implementierung bietet einen klareren Einblick in die Abläufe, minimiert das Risiko und reduziert Ausfallzeiten und Markteinführungszeiten.

So hilft der Production Digital Twin den Herstellern bei der:

• Schaffung neuer Geschäftsmodelle
• Verbesserung der Zusammenarbeit zwischen Teams und Organisationen
• Steigerung der Prozess- und Produktionseffizienz
• Steigerung der Produkt- und Produktionsqualität
• Verkürzung der Markteinführungszeit

Mehr Infos dazu, lesen Sie im folgenden eBook.

Und die Zukunft?

Sie wird eigentlich von allen Seiten als rosig beschrieben, da eine immer weiter wachsende Menge an kognitiver Leistung für ihren Einsatz bereitgestellt wird. Digitale Zwillinge lernen also fortlaufend neue Fähigkeiten und Fertigkeiten dazu, was bedeutet, dass sie auch weiterhin die Erkenntnisse liefern können, die für die Optimierung der Produktverbesserung und Prozesseffizienz erforderlich sind. KI und Maschinelles Lernen werden ihr übrigens dazu tun, das dies eine Erfolgsgeschichte wird.